파이토치에서 dataset 만들기

참고 자료

KLUE benchmark ner file

Dataset 만들기

1. Dataset을 Preprosessing 작업하기
2. Dataloader에 넣고 배치(batch) 단위로 만들기
3. 필요 시 collate_funtion으로 작업하기
   [미니 배치를 생성하기 위해 샘플 리스트를 병합하는 역할 등]

collate_fn을 Dataset class가 아닌 function을 사용하는 이유

• Class에서 구현은 가능함.
• 그러나 디버깅 단계에서 index값이 아닌 str으로 확인하는게 편하하기 때문입니다.
  [== token index나 label index를 str로 변환해서 확인하는게 불편합니다.]

KLUE-benchmark dataset-NER을 기준으로 예시입니다.

#허깅페이스의 load_data 전처리
def load_data(file_path: str, tokenizer: PreTrainedTokenizer = None):
    klue_data = Path(file_path)
    klue_text = klue_data.read_text().strip()
    documents = klue_text.split("\n\n")

    data_list = []
    for doc in documents:
        char_labels = []
        token_labels = []
        chars = []
        sentence = ""
        for line in doc.split("\n"):
            if line.startswith("##"):
                continue
            token, tag = line.split("\t")
            sentence += token
            char_labels.append(tag)
            chars.append(token)

        offset_mappings = tokenizer(sentence, return_offsets_mapping=True)["offset_mapping"]
        for offset in offset_mappings:
            start, end = offset
            if start == end == 0:
                continue
            token_labels.append(char_labels[start])

        instance = {
            "sentence": sentence,
            "token_label": token_labels,
            "char_label": char_labels,
            "offset_mapping": offset_mappings
        }
        data_list.append(instance)

    return data_list

labels = [
    "B-PS",
    "I-PS",
    "B-LC",
    "I-LC",
    "B-OG",
    "I-OG",
    "B-DT",
    "I-DT",
    "B-TI",
    "I-TI",
    "B-QT",
    "I-QT",
    "O",
]

label2id = {label: i for i, label in enumerate(labels)}
id2label = {i: label for label, i in label2id.items()}

# Dataset
class NerDataset(Dataset):
    def __init__(
        self,
        tokenizer: PreTrainedTokenizer,
        examples: List,
        shuffle: bool = False,
        **kwargs
    ):
        self.dataset = examples
        self.tokenizer = tokenizer
        self.max_length = max_length

    def __len__(self):
        return len(self.dataset)

    def __getitem__(self, index):
        instance = self.dataset[index]

        return instance

tokenizer = AutoTokenizer.from_pretrained("klue/bert-base")
examples = load_data(file_path, tokenizer)

print(examples[0])
#{'sentence': '경찰은 또 ..... 

# dataset
dataset = NerDataset(
    tokenizer=tokenizer,
    examples=examples,
    max_length=max_length
)

# dataloader, collate_fn
data_loader = DataLoader(
    dataset=dataset,
    collate_fn=collate_fn
)

# 이렇게하면 data_loader가 완성되어 전처리가 다 끝납니다.
# 이 데이터를 확인하기 위해서는 아래 코드 실행(1배치만 확인)

for batch in data_loader:
  print(batch)
  break